# Google et l’USC déduisent l’usage des lieux grâce aux trajets

> Google Research et USC présentent ME-POIs, un cadre qui combine textes et déplacements pour enrichir les représentations de 39 557 lieux à Los Angeles.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-08-25 · Signal IA - Order & Chaos · Secteur : E-commerce
Source : https://www.orderchaos.eu/signal-ia/actu/google-et-usc-devoilent-me-pois-pour-mieux-lire-les-lieux
Tags : google research, représentations, mobilité, géolocalisation, modèles de langage

---

## En résumé

- Google Research et USC intègrent les déplacements agrégés dans les représentations textuelles de lieux.
- ME-POIs améliore 34 des 35 combinaisons modèle-tâche évaluées sur les données de Los Angeles.
- Le cadre nécessite des données de fréquentation sous licence, mais aucun code ni poids public n’est disponible.

**Le signal :** ME-POIs améliore 34 des 35 combinaisons évaluées à Los Angeles, avec jusqu’à 81,9 % de F1 supplémentaire sur l’intention de visite.

## Comprendre l’usage derrière le lieu : l’exemple de deux cafés

**Google Research et USC** ont publié ME-POIs, un cadre qui ajoute les déplacements humains agrégés aux représentations textuelles de points d’intérêt. L’approche part d’un problème concret : deux cafés peuvent partager la même catégorie, se trouver dans le même pâté de maisons et présenter des descriptions textuelles proches, tout en ayant des usages très différents. L’un peut accueillir surtout des passages rapides de navetteurs, tandis que l’autre retient ses clients pendant environ 90 minutes. Pour distinguer ces situations, ME-POIs associe les informations sur le lieu à des signaux décrivant la manière dont il est fréquenté.

**Le cadre encode chaque visite** à partir de trois éléments principaux : les coordonnées du lieu, l’heure d’arrivée et l’heure de départ. Space2Vec traite la localisation à plusieurs échelles afin de représenter la position dans son environnement. Deux encodeurs Time2Vec séparent l’arrivée et le départ, ce qui permet de conserver à la fois le moment de la visite et sa durée. Les vecteurs obtenus sont ensuite concaténés et reçoivent un encodage positionnel sinusoïdal avant leur passage dans un Transformer de quatre couches et huit têtes, avec une dimension de 512.

## Un apprentissage contrastif pour différencier les lieux avec un Transformer de 4 couches

**L’apprentissage repose sur des prototypes** associés aux différents points d’intérêt. L’objectif contrastif rapproche la représentation d’une visite du prototype correspondant à son lieu et l’éloigne des prototypes associés aux autres lieux présents dans le même mini-lot. Le modèle apprend ainsi à capturer des régularités de fréquentation qui ne figurent pas nécessairement dans le texte descriptif : durée typique d’une présence, rythmes horaires ou profils de [mobilité](/signal-ia/actu/dreo-515s-defi-du-calfeutrage-pour-une-fraicheur-assuree) autour d’un commerce.

**Les évaluations concernent notamment** des données de Los Angeles et de Houston, avec un résultat particulièrement marqué sur les expériences menées à Los Angeles. D’après les résultats rapportés, ME-POIs améliore 34 des 35 combinaisons modèle-tâche évaluées. Le gain atteint jusqu’à 81,9 % de F1 supplémentaire pour la prédiction de l’intention de visite. Ces résultats suggèrent que les données de mobilité peuvent compléter les représentations textuelles lorsqu’il s’agit d’inférer la fonction réelle d’un lieu plutôt que sa seule catégorie.

## Données nécessaires et limites de disponibilité : aucun code public au moment de la publication

**La méthode dépend toutefois** de données de fréquentation suffisamment détaillées et agrégées, généralement accessibles sous licence. Cette contrainte peut limiter la [reproductibilité](/signal-ia/actu/ai2-devoile-olmo-eval-pour-traquer-les-vrais-progres) et l’utilisation par des équipes ne disposant pas de données de mobilité à grande échelle. Au moment de la publication, aucun code ni poids de modèle public n’est disponible, ce qui réduit la possibilité de reproduire directement les expériences ou de comparer le cadre sur d’autres territoires.

**L’intérêt de ME-POIs** réside donc dans le rapprochement entre langage et comportement spatial. Les descriptions textuelles indiquent ce qu’est un lieu, tandis que les trajectoires agrégées donnent des informations sur la façon dont les personnes l’utilisent. Google Research détaille cette approche dans son [article de recherche](https://research.google/blog/how-mobility-gives-language-models-a-deeper-understanding-of-place/). La publication originale est également présentée par [Marktechpost](https://www.marktechpost.com/2026/08/24/google-research-introduces-me-pois-a-mobility-informed-framework-that-adds-how-a-place-is-used-to-text-based-poi-[embeddings](/signal-ia/actu/llm-gemini-033-prend-en-charge-gemini-37-flash)/).